SEGMENTASI PELANGGAN PADA PERUSAHAAN RETAIL DENGAN METODE ART 2 DAN MODEL RFM
JUDUL
TUGAS AKHIR
Diajukan Guna Memenuhi Sebagian Persyaratan
dalam Rangka Menyelesaikan Pendidikan Sarjana Strata Satu (S1) Program Studi Teknologi Informasi
LUH PUTU DIAN SHAVITRI HANDAYANI NIM. 0804505037
PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS TEKNIK
UNIVERSITAS UDAYANA BALI
ii
PERNYATAAN
Dengan ini saya menyatakan bahwa dalam Tugas Akhir ini tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu perguruan tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka.
Denpasar, 14 Juli 2012
iii
LEMBAR PENGESAHAN TUGAS AKHIR
JUDUL : SEGMENTASI PELANGGAN PADA
PERUSAHAAN RETAIL DENGAN METODE ART2 DAN MODEL RFM
NAMA : LUH PUTU DIAN SHAVITRI HANDAYANI
NIM : 0804505037
FAKULTAS : TEKNIK
PROGRAM STUDI : TEKNOLOGI INFORMASI
TANGGAL UJIAN : 11 JULI 2012
Menyetujui, Dosen Pembimbing I
(Dr.I Kt.Gd.Darma Putra,S.Kom.,MT) NIP. 19740424 199903 1 003
Dosen Pembimbing II
(A.A.Kt.Agung Cahyawan W.,ST.,MT) NIP.19731213 200801 1 004
Mengetahui,
Ketua Program Studi Teknologi Informasi Fakultas Teknik Universitas Udayana
(Dr.I Kt.Gd.Darma Putra,S.Kom.,MT) NIP. 19740424 199903 1 003
PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS TEKNIK
iv ABSTRAK
Pelanggan merupakan komponen penting bagi suatu perusahaan, pihak manajemen perusahaan retail harus mampu untuk mengenali pelanggan terbaik dan mempercayainya sehingga dapat mempertahankan loyalitasnya terhadap perusahaan, hal tersebut mengakibatkan perusahaan-perusahaan retail mulai mengalihkan perhatian mereka dari sekedar mengembangkan produk dan layanan yang unggul ke arah penciptaan pengalaman personal pelanggan. Keperluan pengetahuan perusahaan dalam mengetahui kelompok-kelompok pelanggan untuk menentukan strategi pemasaran yang tepat dapat ditunjang dengan penerapan
Customer Relationship Management (CRM). CRM adalah strategi untuk
membangun, mengelola, dan memperkuat hubungan perusahaan dengan pelanggan yang loyal agar dapat tecipta hubungan yang tahan lama. Dengan menerapkan konsep CRM, perusahaan dapat menentukan perilaku dari pelanggan dan mengimplementasikan strategi pemasaran yang tepat untuk memaksimalkan keuntungan.
Penelitian ini membahas mengenai kinerja penggabungan antara algoritma Adaptive Resonance Theory 2 (ART 2) dan model Recency, Frequency, Monetary (RFM) untuk mengelompokkan pelanggan pada sebuah perusahaan retail yaitu UD.Fenny yang bergerak dalam penjualan bahan dan alat-alat pembuatan kue. Proses data mining dilakukan dengan menggunakan data transaksi UD.Fenny dari tahun 2006 sampai tahun 2010 yang terdiri dari 85666 baris data transaksi yang kemudian akan ditranformasikan ke dalam nilai RFM. Nilai RFM merupakan input dalam proses clustering menggunakan algoritma ART 2. Setiap kelompok yang terbentuk akan divalidasi dengan mencari nilai rata-rata keseluruhan dari Silhouette Index. Kelompok yang memiliki nilai rata-rata keseluruhan Silhouette Index terbesar merupakan cluster optimal.
Uji coba dari aplikasi data mining yang dibangun meliputi uji coba clustering dengan membentuk 2 sampai 6 cluster dengan menggunakan data transaksi pada tahun 2008 dan membandingkan perilaku pelanggan tiap tahunnya. Dari hasl uji coba clustering diperoleh nilai rata-rata keseluruhan indeks Silhouette terbesar yaitu ketika pembentukan 2 cluster, yang menjadikan pembentukan 2 cluster merupakan cluster optimal. Semua kelompok yang dibentuk memiliki nilai rata-rata keseluruhan Silhouette index lebih besar dari 0. hal ini menunjukkan bahwa algoritma clustering ART 2 telah dapat melakukan pengelompokkan pelanggan dengan baik.
Kata kunci : Segmentasi pelanggan, Model RFM, algoritma ART 2, Silhouette index
v ABSTRACT
Customers is an important component of a company, the management of retail companies should be able to recognize the best customers and trust them so loyalty of the company can be maintained, accordingly many retail companies have shifted their attention from simply developing products and superior service to the creation of customers personal experiences. Companies need to discover customer groups to determine the right marketing strategy. This can be supported by implementing Customer Relationship Management (CRM). CRM is a strategy to build, manage, and strengthen the company relationships with loyal customers in order to make long lasting relationship with customers. By applying the concept of CRM, companies can determine the behavior of customers and implement appropriate marketing strategies to maximize profits.
This research presents the performance of combining Adaptive Resonance Theory 2 (ART 2) algorithm and Recency, Frequency, Monetary (RFM) model to segment customers in a retail company UD.Fenny, which is specially sells baking ingredients and equipment. Data mining process was done using UD.Fenny transaction data from 2006 to 2010 consisting of 85.666 rows of transaction data, which will be transformed into RFM value. RFM is an input value in the clustering process using ART 2 algorithm. Each group is formed validated by looking for overall average value of Silhouette index. Groups that have the largest overall average value of Silhouette index determine as optimal cluster.
Experiments of data mining application built include clustering process with 2 to 6 clusters formed by using the transaction data in 2008 and compared customer behavior in every year. Clustering experiments results obtained, the largest value of overall average Silhouette index was when formed 2 cluster, which makes the formation of two clusters become the optimal cluster. All groups were formed have an overall average value of Silhouette index is larger than 0, this means clustering algorithm ART 2 has been able clustering well.
Keywords : Customer Segmentation, RFM Model, ART 2 Algorithm, Silhouette Index
vi
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadapan Ida Sang Hyang Widhi Wasa/Tuhan Yang Maha Esa, karena atas Asung Kerta Wara Nugraha-Nya, akhirnya penulis dapat menyelesaikan tugas akhir ini. Tugas akhir yang berjudul “Segmentasi Pelanggan Pada Perusahaan Retail Dengan Metode ART 2 dan Model RFM” ini disusun sebagai syarat untuk memenuhi sebagian persyaratan menyelesaikan Program Sarjana S1 pada Program Studi Teknologi Informasi Universitas Udayana.
Dalam penyusunan tugas akhir ini, penulis mendapatkan petunjuk dan bimbingan dari berbagai pihak. Ucapan terima kasih yang sebesar-besarnya penulis sampaikan kepada :
1. Bapak Dr. I Ketut Gede Darma Putra, S.Kom., MT. sebagai Ketua Program Studi Teknologi Informasi dan Dosen Pembimbing I yang telah banyak memberikan bimbingan dan masukan dalam penyusunan Tugas Akhir ini.
2. Bapak A. A. Ketut Agung Cahyawan W., ST., MT. Dosen Pembimbing II yang telah banyak memberikan bimbingan dan masukan dalam penyusunan Tugas Akhir ini.
3. Ibu Gusti Agung Ayu Putri, ST., PgD., MT. sebagai Dosen Pembimbing Akademik yang telah banyak memberikan bimbingan akademik dalam menempuh perkulihan.
4. Segenap dosen pengajar di Program Studi Teknologi Informasi Fakultas Teknik Universitas Udayana.
5. Seluruh Pegawai (khususnya Mbok Putu Kumala Dewi) di Program Studi Teknologi Informasi Fakultas Teknik Universitas Udayana yang telah membantu selama proses perkulihaan dan pengurusan segala administrasi. 6. Ayah, Ibu, Adik dan keluarga yang telah memberikan dukungan moral,
material dan doa selama menempuh kuliah dan penyusunan tugas akhir ini. 7. Agus Gede Adipartha Wibawa, ST yang telah memberikan bantuan, doa,
vii
8. Rekan-rekan Mahasiswa Program Studi Teknologi Informasi (Sesaltina Jannet, Rusmiari, Ayu Widyastuti, Putri Pradnyani, Sri Utami, Wisnu Segara, Wiara Prayana, dan rekan-rekan lainnya yang tidak dapat disebutkan satu per satu) yang telah memberikan bantuan dan dukungan moral selama penyusunan tugas akhir ini dan yang telah bersedia bersama dalam suka dan duka selama proses perkuliahaan.
Penulis menyadari sepenuhnya bahwa laporan tugas akhir ini masih jauh dari sempurna. Oleh karena itu, segala bentuk kritik dan saran yang membangun dari berbagai pihak sangat penulis hargai dan harapkan. Semoga laporan tugas akhir ini dapat bermanfaat dalam pengembangan ilmu pengetahuan dan teknologi. Akhir kata penulis memohon maaf jika ada kesalahan dalam pembuatan tugas akhir ini.
Denpasar, Juli 2012 Penulis
viii DAFTAR ISI
HALAMAN JUDUL ... i
PERNYATAAN ... ii
LEMBAR PENGESAHAN TUGAS AKHIR ... iii
ABSTRAK ... iv
ABSTRACT ... v
KATA PENGANTAR ... vi
DAFTAR ISI ... viii
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xvi
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 2
1.3 Tujuan ... 3
1.4 Manfaat ... 3
1.5 Ruang Lingkup dan Batasan Masalah ... 3
1.6 Sistematika Penulisan ... 4
BAB II TINJAUAN PUSTAKA ... 6
2.1 Customer Relationship Management (CRM) ... 6
2.2 Data Mining ... 7
2.3 Data Mining Dalam Kerangka Kerja CRM ... 9
2.4 Model RFM ... 10
ix
2.5.1 Pengertian Jaringan Syaraf Tiruan ... 12
2.5.2 Metode Pelatihan Jaringan Syaraf Tiruan ... 13
2.5.2.1 Metode Pelatihan Terbimbing ... 13
2.5.2.2 Metode Pelatihan Tak Terbimbing ... 13
2.6 Algoritma Adaptive Resonance Theory 2 (ART 2) ... 13
2.6.1 Arsitektur Algoritma ART 2 ... 14
2.6.2 Parameter ART 2 ... 16
2.6.3 Komputasi Unit ART 2 ... 17
2.7 Uji Validitas Cluster ... 17
BAB III METODE DAN PERANCANGAN SISTEM ... 19
3.1 Tempat dan Waktu Penelitian ... 19
3.2 Sumber Data ... 19
3.3 Alur Penelitian ... 19
3.4 Kebutuhan Hardware dan Sofware ... 20
3.4.1 Hardware ... 20
3.4.2 Software ... 20
3.5 Perancangan Sistem ... 20
3.5.1 Gambaran Umum Sistem ... 20
3.5.2 Pemilihan Data ... 21
3.5.3 Tranformasi Data ... 26
3.5.4 Clustering... 28
3.5.5 Cluster Validation ... 35
3.5.6 Cluster Analysis ... 37
x
3.7 Antar Muka Aplikasi ... 55
3.7.1 Form Standart ... 55
3.7.2 Form RFM ... 56
3.7.3 Form Clustering ART 2 ... 57
3.7.4 Form Segmentasi ... 58
3.7.5 Form Chart Customer ... 59
3.8 Jadwal Penelitian... 60
BAB IV HASIL DAN PEMBAHASAN ... 61
4.1 Proses Pemilihan Data ... 61
4.2 Proses Tranformasi Data ... 62
4.3 Hasil Uji Coba Clustering Algoritma ART 2 ... 62
4.4 Analisis Cluster ... 90
4.5 Pengaruh Jumlah Epoh... 93
4.6 Pengaruh Inisialisasi Vigilance Parameter (ρ) dan Noise Suppression (θ) .... 96
4.7 Perbandingan Kelas Pelanggan Per Tahun ... 97
BAB V KESIMPULAN DAN SARAN ... 107
5.1 Kesimpulan ... 107
5.2 Saran... 108
xi
DAFTAR GAMBAR
Gambar 2.1 Overview proses data mining dalam hubungan dengan KDD
(Fayyad, 2000) ... 8
Gambar 2.2 Typical arsitektur dari algoritma ART 2 (Carpenter & Grossberg, 1987) ... 14
Gambar 2.3 Detail unit tambahan diantara unit tipe w dan x (Fausset, 1993) ... 15
Gambar 3.1 Gambaran Umum Sistem ... 21
Gambar 3.2 Relasi antar tabel ... 25
Gambar 3.3 Flowchart algoritma ART 2... 30
Gambar 3.4 Flowchart indeks validitas Silhouette ... 37
Gambar 3.5 Tabel bantu yang digunakan dalam sistem ... 41
Gambar 3.6 Form Standart ... 56
Gambar 3.7 Form RFM ... 57
Gambar 3.8 Form Clustering ART 2 ... 58
Gambar 3.9 Form segmentasi ART 2 ... 58
Gambar 3.10a Form Chart Customer Detail ... 59
Gambar 3.10b Form Chart Customer Reguler ... 59
Gambar 4.1 Hasil pemilihan data pada sistem ... 61
Gambar 4.2 Hasil tranformasi data pada sistem ... 62
Gambar 4.3 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.95 dan Noise Suppression (𝜃) 0.01 dengan 2 cluster... 63
Gambar 4.4 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (𝜌) 0.95 dan Noise Suppression (𝜃) 0.01 dengan 2 cluster ... 64
Gambar 4.5 Hasil segmentasi menggunakan Vigilance Parameter (𝜌) 0.95 dan Noise Suppression (𝜃) 0.01 dengan 2 cluster... 64
Gambar 4.6 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.9 dan Noise Suppression (𝜃) 0.5 dengan 2 cluster ... 65
Gambar 4.7 Hasil clustering dalam scatter plot diagram menggunakan Vigilance Parameter (𝜌) 0.9 dan Noise Suppression (𝜃) 0.5 dengan 2 cluster ... 65
xii
Gambar 4.8 Hasil segmentasi menggunakan Vigilance Parameter (𝜌) 0.9 dan Noise Suppression (𝜃) 0.5 dengan 2 cluster ... 66 Gambar 4.9 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.96 dan
Noise Suppression (𝜃) 0.01 dengan 3 cluster... 68 Gambar 4.10 Hasil clustering dalam scatter plot diagram menggunakan
Vigilance Parameter (𝜌) 0.96 dan Noise Suppression (𝜃) 0.01 dengan 3 cluster ... 68 Gambar 4.11 Hasil segmentasi menggunakan Vigilance Parameter (𝜌) 0.96 dan
Noise Suppression (𝜃) 0.01 dengan 3 cluster... 69 Gambar 4.12 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.933 dan
Noise Suppression (𝜃) 0.5 dengan 3 cluster ... 69 Gambar 4.13 Hasil clustering dalam scatter plot diagram menggunakan
Vigilance Parameter (𝜌) 0.933 dan Noise Suppression (𝜃) 0.5 dengan 3 cluster ... 70 Gambar 4.14 Hasil segmentasi menggunakan Vigilance Parameter (𝜌) 0.933 dan
Noise Suppression (𝜃) 0.5 dengan 3 cluster ... 70 Gambar 4.15 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.977 dan
Noise Suppression (𝜃) 0.01 dengan 4 cluster... 73 Gambar 4.16 Hasil clustering dalam scatter plot diagram menggunakan
Vigilance Parameter (𝜌) 0.977 dan Noise Suppression (𝜃) 0.01 dengan 4 cluster ... 73 Gambar 4.17 Hasil segmentasi menggunakan Vigilance Parameter (𝜌) 0.977 dan
Noise Suppression (𝜃) 0.01 dengan 4 cluster... 74 Gambar 4.18 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.937 dan
Noise Suppression (𝜃) 0.5 dengan 4 cluster ... 74 Gambar 4.19 Hasil clustering dalam scatter plot diagram menggunakan
Vigilance Parameter (𝜌) 0.937 dan Noise Suppression (𝜃) 0.5 dengan 4 cluster ... 75 Gambar 4.20 Hasil segmentasi menggunakan Vigilance Parameter (𝜌) 0.937 dan
xiii
Gambar 4.21 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.9942 dan Noise Suppression (𝜃) 0.01 dengan 5 cluster... 78 Gambar 3.22 Hasil clustering dalam scatter plot diagram menggunakan
Vigilance Parameter (𝜌) 0.9942 dan Noise Suppression (𝜃) 0.01 dengan 5 cluster ... 79 Gambar 4.23 Hasil segmentasi menggunakan Vigilance Parameter (𝜌) 0.9942
dan Noise Suppression (𝜃) 0.01 dengan 5 cluster ... 79 Gambar 4.24 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.998 dan
Noise Suppression (𝜃) 0.5 dengan 5 cluster ... 80 Gambar 4.25 Hasil clustering dalam scatter plot diagram menggunakan
Vigilance Parameter (𝜌) 0.998 dan Noise Suppression (𝜃) 0.5 dengan 5 cluster ... 80 Gambar 4.26 Hasil segmentasi menggunakan Vigilance Parameter (𝜌) 0.998 dan
Noise Suppression (𝜃) 0.5 dengan 5 cluster ... 81 Gambar 4.26 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.995 dan
Noise Suppression (𝜃) 0.01 dengan 6 cluster... 84 Gambar 4.27 Hasil clustering dalam scatter plot diagram menggunakan
Vigilance Parameter (𝜌) 0.995 dan Noise Suppression (𝜃) 0.01 dengan 6 cluster ... 85 Gambar 4.28 Hasil segmentasi menggunakan Vigilance Parameter (𝜌) 0.995 dan
Noise Suppression (𝜃) 0.01 dengan 6 cluster... 85 Gambar 4.29 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.99964
dan Noise Suppression (𝜃) 0.5 dengan 6 cluster ... 86 Gambar 4.30 Hasil clustering dalam scatter plot diagram menggunakan
Vigilance Parameter (𝜌) 0.99964 dan Noise Suppression (𝜃) 0.5 dengan 6 cluster ... 86 Gambar 4.31 Hasil segmentasi menggunakan Vigilance Parameter (𝜌) 0.99964
dan Noise Suppression (𝜃) 0.5 dengan 6 cluster ... 87 Gambar 4.32 Grafik rata – rata keseluruhan indeks Silhouette ... 91 Gambar 4.33 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.995 dan
xiv
Gambar 4.34 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.995 dan Noise Suppression (𝜃) 0.01 dengan 15 epoh ... 94 Gambar 4.34 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.937 dan
Noise Suppression (𝜃) 0.5 dengan 10 epoh ... 95 Gambar 4.35 Hasil clustering menggunakan Vigilance Parameter (𝜌) 0.933 dan
Noise Suppression (𝜃) 0.5 dengan 10 epoh ... 95 Gambar 4.36a Summary hasil segmentasi kelas pelanggan tahun 2006 – 2010
dengan 2 cluster ... 98 Gambar 4.36b Summary hasil segmentasi kelas pelanggan tahun 2006 – 2010
dengan 6 cluster ... 98 Gambar 4.37a Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART
2 (Customer ID.= C0020) dari Tahun 2006 – 2010 dengan Bentuk Grafik Reguler ... 99 Gambar 4.37b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART
2 (Customer ID. = C0020) dari Tahun 2006 – 2010 dengan Bentuk Grafik Reguler ... 100 Gambar 4.38a. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART
2 (Customer ID. = C0051) dari Tahun 2006 – 2010 dengan Bentuk Grafik Detail ... 100 Gambar 4.38b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART
2 (Customer ID. = C0051) dari tahun 2006 – 2010 dengan Bentuk Grafik Reguler ... 101 Gambar 4.39a. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART
2 (Customer ID. = C0061) dari Tahun 2006 – 2010 dengan Bentuk Grafik Detail ... 101 Gambar 4.39b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART
2 (Customer ID. = C0061) dari Tahun 2006 – 2010 dengan Bentuk Grafik Reguler ... 102 Gambar 4.40a. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART
2 (Customer ID. = C0138) dari Tahun 2006 – 2010 dengan Bentuk Grafik Reguler ... 102
xv
Gambar 4.40b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART 2 (Customer ID. = C0138) dari Tahun 2006 – 2010 dengan Bentuk Grafik Reguler ... 103 Gambar 4.41a. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART
2 (Customer ID. = C0205) dari Tahun 2006 – 2010 dengan Bentuk Grafik Detail ... 103 Gambar 4.41b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART
2 (Customer ID = C0061) dari Tahun 2006 – 2010 dengan Bentuk Grafik Reguler ... 104 Gambar 4.42a. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART
2 (Customer ID. = C0117) dari Tahun 2006 – 2010 dengan Bentuk Grafik Detail ... 104 Gambar 4.42b. Kelas Pelanggan Hasil Clustering Menggunakan Algoritma ART
2 (Customer ID = C0117) dari Tahun 2006 – 2010 dengan Bentuk Grafik Reguler ... 105
xvi
DAFTAR TABEL
Tabel 2.1 Pembagian customer pada perusahaan retail dengan model RFM ... 11
Tabel 3.1 Tabel Pelanggan... 21
Tabel 3.2 Contoh data Tabel Pelanggan ... 22
Tabel 3.3 Tabel Barang ... 22
Tabel 3.4 Contoh data Tabel Barang ... 23
Tabel 3.5 Master Transaksi ... 23
Tabel 3.6 Contoh data Tabel Master Transaksi ... 24
Tabel 3.7 Tabel Detail Transaksi ... 24
Tabel 3.8 Contoh data Tabel Detail Transaksi ... 25
Tabel 3.9 Data pemilihan atribut sesuai model RFM ... 26
Tabel 3.10 Contoh data untuk perhitungan RFM ... 27
Tabel 3.11 Contoh data hasil tranformasi RFM ... 28
Tabel 3.12 Tabel contoh data RFM ... 30
Table 3.13 Domain value RFM ... 38
Table 3.14 Deskripsi kelas pelanggan ... 38
Tabel 3.15 Tabel tbStandart_n ... 42
Tabel 3.16 Contoh data Tabel tbStandart_n ... 43
Tabel 3.17 Tabel tbMasterStandart ... 43
Tabel 3.18 Contoh data Tabel tbMasterStandart ... 44
Tabel 3.19 Tabel tbRFM ... 44
Tabel 3.20 Contoh data Tabel tbRFM ... 45
Tabel 3.21 Tabel Hasil ... 45
Tabel 3.22 Contoh data Tabel tbHasil ... 46
Tabel 3.23 Tabel HasilSilhoutte ... 46
Tabel 3.24 Contoh data Tabel HasilSilhouette ... 47
Tabel 3.25 Tabel HasilMaxGS ... 47
Tabel 3.26 Contoh data Tabel HasilMaxGS ... 48
Tabel 3.27 Tabel tbRangeSegmenR ... 48
xvii
Tabel 3.29 Tabel tbRangeSegmenF ... 49
Tabel 3.30 Contoh data Tabel tbRangeSegmenF ... 50
Tabel 3.31 Tabel tbRangeSegmenM ... 50
Tabel 3.32 Contoh data Tabel tbRangeSegmenM ... 51
Tabel 3.33 Tabel tbMasterKelasReg ... 52
Tabel 3.34 Contoh data Tabel tbMasterKelasReg ... 52
Tabel 3.35 Tabel tbMasterKelasDet ... 52
Tabel 3.36 Contoh data Tabel tbMasterKelasDet ... 53
Tabel 3.37 Tabel tbMasterSegmentasi... 53
Tabel 3.38 Contoh data Tabel tbMasterSegmentasi ... 54
Tabel 3.39 Tabel HasilSegmentasi ... 54
Tabel 3.40 Contoh data Tabel HasilSegmentasi ... 55
Tabel 3.41 Jadwal Penelitian ... 60
Tabel 4.1 Inisialiasi parameter awal ... 62
Tabel 4.2 Summary hasil pembentukan 2 cluster ... 66
Tabel 4.3 Summary hasil segmentasi untuk pembentukan 2 cluster ... 66
Tabel 4.4 Summary hasil pembentukan 3 cluster ... 71
Tabel 4.5 Summary hasil segmentasi untuk pembentukan 3 cluster ... 71
Tabel 4.6 Summary hasil pembentukan 4 cluster ... 76
Tabel 4.7 Summary hasil segmentasi untuk pembentukan 4 cluster ... 76
Tabel 4.8 Summary hasil pembentukan 5 cluster ... 81
Tabel 4.9 Summary hasil segmentasi untuk pembentukan 5 cluster ... 81
Tabel 4.10 Summary hasil pembentukan 6 cluster ... 87
Tabel 4.11 Summary hasil segmentasi untuk pembentukan 6 cluster ... 87
Tabel 4.12 Hasil Uji Validitas Cluster dengan Menggunakan Indeks Silhouette .... 91
Tabel 4.13 Rangkuman hasil uji coba dengan inisialisasi nilai Vigilance Parameter (ρ) yang berbeda-beda ... 96
Tabel 4.14 Rangkuman jumlah waktu pada proses clustering ... 97